Pytorch中的 AdaptivePooling

AdaptivePooling是只出现在Pytoch中的池化方法，官方给出的[运算公式]为：(https://discuss.pytorch.org/t/what-is-adaptiveavgpool2d/26897)
kernel的大小为 (input_size+target_size-1) // target_size, i.e. rounded up（即四舍五入）
中心点的位置为 四舍五入 0~(input_size - stencil_size) 之间的等距点

而我们常用的池化计算公式为：
shape(output) = (shape(value) - ksize + 1) / strides
其中
padding = ‘SAME’: Round down (舍出).
padding = ‘VALID’: Round up (舍入).

所以我希望找出一个可以将AdaptivePooling与一般池化进行转换的公式，为了简化问题，将padding设为0（事实上Pytorch的源码里也是如此）
经过参看资料与自己推导：
stride = floor ( (input_size / (output_size) )

ksize = input_size − (output_size−1) * stride
以这两个为参数的Pooling就等价于AdaptivePooling。
关于公式的正确性验证，各位可以自己初始化几个张量实验一下，本人实验后是正确的。